TensorFlow Fashion MNIST 分类模型 - 3层神经网络构建与训练

这段代码使用 TensorFlow 构建了一个简单的神经网络模型，用于分类 Fashion MNIST 数据集。模型包含三层，包括：

1. Flatten 层：将输入图像数据转换为一维向量。
2. Dense 层：包含 128 个神经元，使用 ReLU 激活函数。
3. Dense 层：包含 10 个神经元，使用 Softmax 激活函数，用于输出每个类别的概率。

代码使用 Adam 优化器和 SparseCategoricalCrossentropy 损失函数进行训练，并使用 ModelCheckpoint 回调函数保存训练过程中最佳的模型参数。

model.summary() 输出的模型摘要显示，该模型共有 3 层。

以下是代码的详细解释：

import tensorflow as tf
import os

fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

checkpoint_save_path = './checkpoint/fashion.ckpt'  # 指定保存文件的地址
if os.path.exists(checkpoint_save_path + '.index'):
    print('-------------load the model-----------------')
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,  # 给出模型保存路径
                                                 save_weights_only=True,  # 只保留模型参数
                                                 save_best_only=True)  # 只保留最优模型

history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
model.summary()

这段代码展示了一个简单的神经网络模型的构建和训练过程，可以作为 TensorFlow 初学者的入门示例。